CN101853490A - 一种基于人类视觉特性的仿生图像复原方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，公开了一种基于人类视觉特性的仿生图像复原方法，包括：步骤1：对图像进行亮度提取；步骤2：采用高斯滤波计算当前点的邻域平均亮度；步骤3：利用人眼的主观亮度感觉与实际光强对数的局部线性关系，对图像进行局部对比度调整；步骤4：利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复。实验结果表明，本发明能有效实现模糊图像复原，特别是对于图像边界区域，既能很好地增强边缘对比，又可有效提升区域亮度对比和亮度梯度信息。

Description

一种基于人类视觉特性的仿生图像复原方法

技术领域

本发明涉及图像处理技术领域，尤其是一种模拟人类视觉系统的仿生图像复原方法。

背景技术

图像复原是图像处理技术的一个重要组成部分，不仅在天文学、卫星遥感、医学成像、工业视觉、军事公安等多个领域的科学研究与工程实践中得以广泛的应用，还被广泛用于录像复原、历史照片和影片复原、视频和多媒体图像复原以及扫描文档处理等领域。图像复原的基本问题是去模糊。图像模糊的实质就是图像受到平均或积分运算，从频域上来分析，图像模糊的实质是其高频分量被衰减。因此，比如微分运算或者高频加重滤波能达到一定程度的图像复原，但是却很容易增强噪声的干扰，往往达不到很好的效果。

反卷积是对模糊图像进行复原的基本方法，已有的图像复原方法诸如逆滤波器、维纳滤波器等均是基于反卷积的方法。但它存在两个固有的问题：1)病态问题，即观测数据的微小变动，就有可能导致解的大变动；2)解的不唯一性问题，这是由信息的不完备造成的。这两方面使得反卷积的方法无论是在理论分析还是数值计算上都存在着无法解决的困难。

近些年来，随着神经网络和模糊控制理论的深入研究，利用神经网络的并行计算性、非线性映射和自适应能力，提出了基于神经网络的图像复原方法，比如：改进的Hopfield神经网络模型等。但是这些方法，难以找到最优网络，并且有可能在图像复原过程中遗失观测图像的平滑性和其它特征，导致不能完整地保留原始图像的信息。

发明内容

(一)要解决的技术问题

本发明的目的在于提出一种基于人类视觉特性的仿生图像复原方法，以避免反卷积方法中的病态问题和基于神经网络的图像复原方法中的最优化网络问题。

(二)技术方案

为达到上述目的，本发明提供了一种基于人类视觉特性的仿生图像复原方法，该方法模拟了人类视觉系统的视网膜神经节细胞感受野的传输特性和视觉系统的自适应调节的特性，包括：

步骤1：对图像进行亮度提取；

步骤2：采用高斯滤波计算当前点的邻域平均亮度；

步骤3：利用人眼的主观亮度感觉与实际光强对数的局部线性关系，对图像进行局部对比度调整；

步骤4：利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复。

上述方案中，步骤1中所述对图像进行亮度提取，是指提取图像的亮度部分，若图像为彩色图像，则是提取包括各种色彩空间在内的亮度；若图像为灰度图像，则将灰度作为亮度图像。

上述方案中，步骤2中所述采用高斯滤波计算当前点的邻域平均亮度，是采用高斯模型的位置滤波和亮度滤波来计算当前点的邻域平均亮度。

上述方案中，步骤2中所述计算当前点的邻域平均亮度，高斯模型采用单高斯模型、双高斯模型或三高斯模型，高斯滤波采用单边滤波或双边滤波。

上述方案中，步骤3中所述利用人眼的主观亮度感觉与实际光强对数的局部线性关系对图像进行局部对比度调整，是指依据每个像素点的亮度与其邻域平均亮度的大小关系，进行局部对比度调整。

上述方案中，步骤4中所述利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复，是指通过采取线性调整的颜色恢复算法，来恢复对比度调整后图像的色彩信息。

上述方案中，若原始输入图像为灰度图，则无须通过颜色线性恢复。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

本发明提供的基于人类视觉特性的仿生图像复原的方法，模拟了人类视觉系统的视网膜神经节细胞感受野的输入-输出特性和人类视觉系统的自适应调节的特性，针对不同模糊机理的图像泛化能力强，复原效果良好，可有效复原区域亮度对比和亮度梯度信息，具有广阔的应用前景。

进一步地，实验结果表明，本发明能有效实现模糊图像复原，特别是对于图像边界区域，既能很好地增强边缘对比，又可有效提升区域亮度对比和亮度梯度信息。

附图说明

为进一步说明本发明的技术内容，以下结合附图及实施案例对本发明详细说明如后，其中：

图1是本发明提供的基于人类视觉特性的仿生图像复原的方法流程图；

图2是光强对数与主观亮度的关系曲线；

图3是三高斯模型的空间结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

为了能定量地描述视网膜神经节细胞感受野的输入-输出特性，本发明采用一种双高斯差模型(DOG模型)，用同心重叠、大小不同的圆形区来描述神经节细胞传统感受野的中心区和外周区。但研究表明在传统感受野外存在大范围去抑制区，在DOG模型的基础上提出了三高斯模型，增加了第三个高斯核用来代表大范围去抑制区。

生物学研究表明，人眼的主观亮度是进入眼睛的光强度的对数函数。从实际光强度的对数与人眼的主观亮度的关系曲线分析(如图2所示)，可以看出人的视觉绝对不能同时在一个范围内工作。确切的说，它是利用改变整个灵敏度来适应一定的范围下工作的，这就是局部亮度适应调节特性。而且，与整个适应范围相比，能同时鉴别的光强度级的总范围很小。由图2分析得出，在一定亮度范围内，人眼的主观亮度感觉与实际光强的对数成局部线性关系。

基于人类视觉系统的上述感知视觉特性，图1是本发明提出全新的仿生图像复原方法流程图，该方法模拟了人类视觉系统的视网膜神经节细胞感受野的传输特性和视觉系统的自适应调节的特性，包括：

步骤1：对图像进行亮度提取；

步骤2：采用高斯滤波计算当前点的邻域平均亮度；

步骤3：利用人眼的主观亮度感觉与实际光强对数的局部线性关系，对图像进行局部对比度调整；

步骤4：利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复。

其中，步骤1中所述对图像进行亮度提取，是指提取图像的亮度部分，若图像为彩色图像，则是提取包括各种色彩空间在内的亮度；若图像为灰度图像，则将灰度作为亮度图像。

步骤2中所述采用高斯滤波计算当前点的邻域平均亮度，是采用高斯模型的位置滤波和亮度滤波来计算当前点的邻域平均亮度。所述计算当前点的邻域平均亮度，高斯模型采用单高斯模型、双高斯模型或三高斯模型，高斯滤波采用单边滤波或双边滤波。

步骤3中所述利用人眼的主观亮度感觉与实际光强对数的局部线性关系对图像进行局部对比度调整，是指依据每个像素点的亮度与其邻域平均亮度的大小关系，进行局部对比度调整。

步骤4中所述利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复，是指通过采取线性调整的颜色恢复算法，来恢复对比度调整后图像的色彩信息。若原始输入图像为灰度图，则无须通过颜色线性恢复。

基于图1所示的本发明本发明提供的基于人类视觉特性的仿生图像复原的方法流程图，以下结合具体实施例对该方法进一步详细说明。

步骤一：彩色图像亮度提取

对待复原的模糊彩色图像，提取其HSV颜色空间的亮度部分作为图像的亮度，定义为I(x，y)：

I(x，y)＝max{I_R(x，y)，I_G(x，y)，I_B(x，y)}      (1)

I_g(x，y)＝I(x，y)/log(256)                      (2)

式中I_R(x，y)、I_G(x，y)、I_B(x，y)，分别代表原始图像的RGB空间中点(x，y)处象素的R，G，B三个分量的值；I_g(x，y)为归一化的亮度图像。

步骤二：邻域平均亮度的计算

人类视觉系统对某一点的主观感觉亮度，受到该点近邻域的极大影响，即视网膜神经节细胞感受野的传输特性。考虑到人类视觉系统的这种特性，采用三高斯模型的位置滤波和单高斯的亮度滤波相结合的双边滤波来获得邻域平均亮度。采用这样的双边滤波方法既考虑了邻域像素在数值和位置上与当前点之间的相似性，又结合了视网膜神经节细胞的感受特性，以获得邻域像素的权重。因此，既能更好地增强图像的边缘对比，又可有效地恢复区域亮度对比和亮度梯度信息。

当前点邻域平均亮度

定义为：

$\stackrel{\‾}{I}(x,y)=\underset{i,j=-M}{\overset{M}{\mathrm{\Σ}}}{G}_R{G}_V{I}_g(x_i,y_j)/\underset{i,j=-M}{\overset{M}{\mathrm{\Σ}}}{G}_R{G}_V---\left(3\right)$

式中，G_R是空间邻近三高斯核函数，定义如下：

$G_R(x,y)=A_1\exp (-\frac{x^2+y^2}{{{2\mathrm{\σ}}_1}^2})-A_2\exp (-\frac{x^2+y^2}{{{2\mathrm{\σ}}_2}^2})+A_3\exp (-\frac{x^2+y^2}{{{2\mathrm{\σ}}_3}^2})---\left(4\right)$

式中，A₁，A₂，A₃分别表示中央、四周和边缘的峰值系数，σ₁，σ₂，σ₃分别表示中央、四周和边缘的尺度参数。实验中采用感受野的三高斯模型在空间域上的特性(如图3所示)，体现了中央兴奋、四周抑制和边缘兴奋的视网膜神经节的感受野特性分布。

G_V是数值相似性高斯核函数，定义如下：

$G_V(I_g(x,y),I_g(x_i,y_j))=\exp (-\frac{{(I_g(x,y)-I_g(x_i,x_j))}^2}{{2{\mathrm{\σ}}_V}^2})---\left(5\right)$

式中，σ_V为尺度参数。

步骤三：局部对比度调整

根据人类视觉系统的局部亮度适应现象，在一定亮度范围内，人眼的主观亮度感觉与实际光强的对数成局部线性关系。利用人眼的这一特性，依据每个像素点的亮度与其邻域平均亮度的大小关系，进行局部对比度调整，即如果当前点的亮度高于邻域平均亮度时则增强该点亮度，反之降低该点的亮度，算法如式(6)所示。

$I_{\mathrm{lin}}(x,y)=K(I_g(x,y)-\stackrel{\‾}{I}(x,y))+\stackrel{\‾}{I}(x,y)---\left(6\right)$

式中，K为一正值常数，为局部线性关系的比例，I_g(x，y)是归一化后的亮度图像，是当前点(x，y)处的邻域平均亮度，反映当前点所在位置人眼感受到的亮度情况，I_lin(x，y)是调整后的亮度图像。

步骤四：颜色线性恢复

图像经过上述几步处理，图像亮度达到了复原效果，现在需要对颜色进行恢复，转化到RGB空间。利用复原后的亮度图像I_lin与原始图像HSV颜色空间的亮度I进行比较来线性调整对比度调整后图像的色彩信息(。

$S_j(x,y)=\frac{I_{\mathrm{lin}}(x,y)}{I(x,y)}{I}_j(x,y),(j=r,g,b)---\left(7\right)$

式中，I_j(x，y)，(j＝r，g，b)分别对应原始图像的R，G，B三元色分量。S_j(x，y)，(j＝r，g，b)，是增强后彩色图像的对应三元色分量。

在实验中采用三高斯模型，其参数取A₁＝3.5，A₂＝4，A₃＝1，σ₁＝3，σ₂＝5，σ₃＝7，局部邻域M＝7。实验证明，本方法复原效果良好，切实可行。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人类视觉特性的仿生图像复原方法，该方法模拟了人类视觉系统的视网膜神经节细胞感受野的传输特性和视觉系统的自适应调节的特性，其特征在于，包括：

步骤1：对图像进行亮度提取；

步骤2：采用高斯滤波计算当前点的邻域平均亮度；

步骤3：利用人眼的主观亮度感觉与实际光强对数的局部线性关系，对图像进行局部对比度调整；

步骤4：利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复。

2.根据权利要求1所述的基于人类视觉特性的仿生图像复原方法，其特征在于，步骤1中所述对图像进行亮度提取，是指提取图像的亮度部分，若图像为彩色图像，则是提取包括各种色彩空间在内的亮度；若图像为灰度图像，则将灰度作为亮度图像。

3.根据权利要求1所述的基于人类视觉特性的仿生图像复原方法，其特征在于，步骤2中所述采用高斯滤波计算当前点的邻域平均亮度，是采用高斯模型的位置滤波和亮度滤波来计算当前点的邻域平均亮度。

4.根据权利要求1所述的基于人类视觉特性的仿生图像复原方法，其特征在于，步骤2中所述计算当前点的邻域平均亮度，高斯模型采用单高斯模型、双高斯模型或三高斯模型，高斯滤波采用单边滤波或双边滤波。

5.根据权利要求1所述的基于人类视觉特性的仿生图像复原方法，其特征在于，步骤3中所述利用人眼的主观亮度感觉与实际光强对数的局部线性关系对图像进行局部对比度调整，是指依据每个像素点的亮度与其邻域平均亮度的大小关系，进行局部对比度调整。

6.根据权利要求1所述的基于人类视觉特性的仿生图像复原方法，其特征在于，步骤4中所述利用局部对比度调整后的亮度图像与原始图像的亮度进行比较，来线性调整图像的色彩信息，实现图像颜色线性恢复，是指通过采取线性调整的颜色恢复算法，来恢复对比度调整后图像的色彩信息。

7.根据权利要求6所述的基于人类视觉特性的仿生图像复原方法，其特征在于，若原始输入图像为灰度图，则无须通过颜色线性恢复。

Images